- 博客(34)
- 资源 (1)
- 收藏
- 关注
RSS订阅
原创 tf.data处理数据全过程——代码详解
**`tf.data`为tensorflow官方最为推荐的处理数据的模块**。本文通过实例详细叙述使用`tf.data`处理数据的方法，其中包括**读入数据、预处理数据、使用数据增强**等，同时本文针对上述过程中涉及到的python 及 tensorflow 的api均进行了详细的说明，以求充分理解并自行完成满足实际需求的代码。本文使用tensorflow版本为v2.6且本文内容在**v2.0以上版本均适用。**...
2022-08-21 23:41:51
1703
原创 目标检测算法常用Loss——DIoU GIoU CIoU
目标检测算法常用Loss文章目录目标检测算法常用Loss1. 差值平方损失2. IoU Loss3. GIoU Loss4. DIoU Loss5. CIoU Loss6. 说明和补充6.1说明6.2 补充1. 差值平方损失在YOLOv3及YOLOv1,v2版本均采用的均值平方损失，也称为L2损失。L2损失在目标检测问题上不能很好的表现出ground truth 和预测框之间的位置，重合等关键信息。所以衍生出一系列关于IoU的损失。2. IoU Loss如下图三种不同的情况，明显第三个预测框与
2022-05-07 09:16:56
2698
原创 YOLO系列论文精读总结——YOLOv1篇
YOLOv1论文精度YOLO系列论文精读总结——[YOLOv1篇](https://download.csdn.net/download/AI_eNyu/85274569)YOLOv1概述1. 推理阶段2 训练阶段2.1 网络结构:2.2 损失函数:后续版本YOLO系列论文精读总结——YOLOv1篇概述：本文为YOLOv1论文精度的记录，帮助理解YOLOv1整个训练以及预测过程。Tips:文章绿色部分为YOLO后续论文中优化更改的内容。YOLOv1论文精度资料，包括论文原文，推测部分经典PPT
2022-05-03 21:28:33
5409
7
原创 Anaconda环境中设置pip的镜像源
1. Anaconda环境中设置pip的镜像源背景：有些软件包需要使用pip安装而不能使用conda安装，但Anaconda中的pip没内国内镜像源的配置，会导致下载错误。没有使用国内镜像源而导致的pip下载错误ERROR: Could not find a version that satisfies the requirement tqdm (from versions: none)ERROR: No matching distribution found for tqdm国内常见镜像源阿
2022-04-21 15:04:17
9351
原创 深度学习模型中的 `.clone` 作用分析----针对CUDA可能出现的BUG
使用.clone可以避免许多常见的深度学习模型中的错误，尤其是在涉及梯度计算和索引操作时。避免就地操作：在反向传播过程中，尽量避免对需要梯度计算的变量进行就地操作。创建副本：在对张量进行复杂操作时，通过.clone创建副本可以防止对原始张量的意外修改。保持数据完整性：在某些操作中，确保原始数据不被修改，可以使用.clone保持数据完整性。通过这些实践，可以提高深度学习模型的健壮性，避免常见的运行时错误。
2024-06-03 14:56:56
1012
原创 PyTorch Lightning 与 TensorBoard 问题解决文档
本文档旨在总结在使用 PyTorch Lightning 进行深度学习模型训练和使用 TensorBoard 进行训练过程可视化时遇到的常见问题及其解决方案。
2024-03-22 15:42:17
3058
原创 Qt平台插件“xcb“加载失败问题及其解决方案
在Linux服务器上使用Anaconda创建的Python虚拟环境中，通过安装了mayavi和pyqt5。尝试导入mayavi这表明虽然找到了xcb插件，但是Qt无法加载它。
2024-03-22 15:40:58
2249
原创 Gen-LaneNet论文精读总结
P.S. 3D-LaneNet中其anchor的表示是在road坐标系下的，其先通过外参转换到road坐标系，再直接将3D坐标投影到x,y平面(即直接去掉z坐标)得到top-view中车道线的坐标点，这种做法在上下坡时，其top-view中的点与通过透视变换得到的透视图中车道线是不相符的，如图b中的蓝线就是在上坡时3D-laneNet得到的投影视图中的车道线，与实际白线是不一致的。，所以在第二阶段模型(本文命名为3D-GeoNet)中，直接使用分割后的输出进行坐标点的预测。处与最近的anchor进行匹配。
2023-03-27 11:11:59
547
2
原创 3D-LaneNet论文精读总结
3D-LaneNet是ICCV 2019的一篇文章，其主要构造了一个**双通路(dual-pathway)的网络结构，其中一个通路通过相机原始图像实现相机外参(高度和pitch)的学习，另一个通路在俯视图下实现3D车道线的检测，**第二条通路通过第一条通路学习到的外参使用类似。处重合)，所以每个anchor输出三种类型的描述符(c1,c2,d)前两者表示该anchor拟合的不同的中心线(centerline)，d表示该anchor预测的边界线(dlimiter)。的方法实现两条通路之间特征的融合。
2023-03-27 09:53:10
722
原创 Python--------(module) golb文件处理
(module) golbimport golb import golb以列表形式返回匹配到的文件名和目录名用法golb中传入参数为需要匹配的文件名称，*号用来占位，则满足条件的所有文件名（包括目录名）都会返回在一个列表中。实例如下假设我们的目录结构为————— images —————— 1.bmp —————— 2.bmp —————— 3.bmp —————— hhbmp #（目录） —————— 4.bmp运行以下代码file = glob('./images
2022-05-22 11:34:04
458
原创 智能车视觉处理系列文章——迷宫巡线法详解（含代码）
巡线方法1.迷宫巡线法 按照上海交通大学的方法，通过使用迷宫巡线（种子生长法）在巡线的过程中进行图象的自适应阈值，这样可极大的减少计算量。具体思想参考上交文章，以下内容为对代码（以左手迷宫巡线为例）的解析。首先我们将**灰度图（时刻谨记）**作为输入，根据经验取图像下方中间偏左一点作为起始点（注意该点要在白色的赛道上），我们依次向左取像素点，直到像素点的值超过某一值（代码中thres=140），则认为该点已经靠近赛道。// 原图找左右边线int x1 = img_raw.width / 2
2022-05-07 10:49:13
6968
5
原创 智能车视觉处理系列文章——二值化技巧（含代码）
文章目录图片二值化技巧1. 大津法（OTSU) 求阈值1.1 说明1.2 计算过程图片二值化技巧1. 大津法（OTSU) 求阈值1.1 说明 为了解决不同光照条件下，二值化阈值不同的问题，最显而易见的方法就是根据当前图片的亮度情况动态决定二值化阈值。一个显而易见的方法就是统计图片的灰度分布情况，然后取平均数或者中数作为二值化阈值。这种实现最为简单。然而这种方法却并不十分合理。由于是取中数或平均数，则意味着这种方法会极大的受到众数的影响。而实际情况，白色赛道在整张图像中的占比并不大，采用这种方式确
2022-05-07 10:33:28
2828
原创 图像全景拼接代码
import numpy as npimport cv2class Stitcher: #拼接函数 def stitch(self, images, ratio=0.75, reprojThresh=4.0,showMatches=False): #获取输入图片 (imageB, imageA) = images #检测A、B图片的SIFT关键特征点，并计算特征描述子 (kpsA, featuresA) = self.d
2022-05-07 09:25:55
580
原创 IoU + NMS
目标检测常见概念：IOU, NMS1.交并比（Intersection over union）交并比函数用来计算两个边界框交集和并集之比。如下图蓝色框可以表示ground truth（标注框），黄色框表示bounding box（预测框），由两框的交并比便可以大致判断预测的边界框是否正确。一般在计算机视觉任务中约定，如果IoU>=0.5IoU>=0.5IoU>=0.5就说检测正确。2. 非极大值抑制（Non-max suppression)当我们模型处在预测阶段时，我们不确定.
2022-04-27 14:31:34
261
原创 目标检测重要评价指标——mAP的含义及计算
目标检测常见评价指标1. 公开数据集评价标准：pascal voc, coco,目前基本都在使用coco数据集。2.评价指标mAP: mean Average Precision, 即给类别AP的平均值。理论知识：TP（True Positive）:IoU>0.5的检测框数量 （同一个Ground Truth 只计算一次）FP(False Positive): IoU<=0.5的检测框（或者是检测到同一个GT的多余检测框的数量）FN（False Negative）: 没有检测到
2022-04-23 16:35:02
13782
2
原创 python文件文件夹操作
Python文件夹操作1.提要 python中可以使用os及shutill模块进行文件和目录的操作。其中os可以执行简单的文件及文件夹操作。而shutil则提供了大量文件的高级操作，特别针对文件的拷贝删除。import os# 注：有些函数封装在os.path中import shutil2. 判断路径或文件os.path.isabs() # 判断是否绝对路径os.path.exists() # 判断是否真实纯在os.path.isdir() # 判断是否是个目录os.path.is
2022-03-21 20:49:43
7941
1
原创 转置卷积运算及其与卷积关系解析
转置卷积1.转置卷积转置卷积是一种卷积它将输入和核进行了重新排列同卷积一般是做下采样不同，它通常是用作上采样如果卷积将输入从(h, w)变成了(h1,w1)(h_1,w_1)(h1,w1),同样超参数下它将从(h1,w1)(h_1,w_1)(h1,w1)变成（h, w).2.重新排列输入和核当填充为0步幅为1时将输入填充k−1k-1k−1(上下、左右，k 是核窗口)将核矩阵上下、左右翻转然后做正常卷积（填充0、步幅1）当填充为p步幅为1时将输入填
2022-03-20 15:48:21
475
原创 串口通信pyserial
Pyserial 串口通信背景由于刚写好上位机桶识别的代码，按照下位机要求需要在特定情况下实现上位机与下位机信息的传输。由于下位机暂时无法与上位机连接，所以上下位机通讯测试采用虚拟串口实现，通过python提供的串口通讯库，完成串口通讯功能。1.虚拟串口虚拟串口的搭建通过软件VSPD实现，点击Add pair即可实现添加串口。建立完虚拟串口之后可以在本机的设备管理器里查看注：建立的虚拟串口一定要显示在**端口（COM和LPT)**下，这样设备才认为这两个串口是真实串口，在编写python程
2021-12-26 17:52:09
792
原创 MLP概述
多层感知机概述1. 线性过渡我们在之前的内容中采用仿射变换，将输入对应于输出。但仿射变换中的线性是一个很强的假设。1.1 线性模型将遇到的问题线性模型默认一个特征对输出结果的影响是单调的，而这一假设于很多实际问题相矛盾。例如还款的可能性与收入的关系，收入从0增加到5万还款的可能性要远大于收入从100万增加到105万。（为了解决这一问题我们需要对数据进行处理，例如还款金额的对数作为特征。）再比如人体死亡可能性与人体温度的关系，人体温度高于37℃时，温度越高死亡可能性越大，而低于37℃时，温度越低死亡可
2021-10-22 22:16:49
2698
原创 softmax依赖pytorch框架的简洁实现
SOFTMAX简洁实现softmax回归的简洁实现1. 数据集2. 初始化模型参数3. 重新审视softmax实现4. 定义优化算法5. 训练softmax回归的简洁实现1. 数据集我们仍旧使用Fashion-MNIST数据集，并且使用上一节中定义好的函数进行数据集的加载。batch_size = 256train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)2. 初始化模型参数由于softmax回归的输出层是一个全连接层
2021-10-07 20:29:32
318
原创 Softmax（分类模型基础）——最全重难点解释及代码
文章目录softmax 从零开始实现1. 图像分类数据集1.1 数据集加载与处理1.2 读取小批量1.3 整合所有组件2. 初始化模型参数3. 定义softmax操作3.1 sum()方法基础3.2 softmax操作4 定义模型5. 定义损失函数6. 分类准确率7. 训练7.2 定义优化器写在前面：本节内容主要参考自《动手学深度学习》，本文对其中内容进行了补充，并将可能疑问的地方进行了标注和详细的解释。完整代码实现参考【】，简洁实现参考【】。如有疑问和问题欢迎给位交流和指出。softmax 从零开始实
2021-10-03 21:04:47
2957
2
原创 d2l_线性回归完整python程序
从零实现import torchimport randomdef synthetic_data(w, b, num_examples): """生成 y=Xw + b + 噪声""" X = torch.normal(0, 1, (num_examples, len(w))) # 正态分布（均值为0，标准差为1） y = torch.matmul(X, w) + b # 矩阵相乘 y += torch.normal(0, 0.01, y.shape) # 加入噪声项
2021-09-27 21:50:47
1192
原创 d2l_线性回归实现详解及代码
文章目录1. 线性回归从零开始实现1.1 生成数据集1.2 读取数据集1.3 初始化模型参数1.4 定义模型1.5定义损失函数1.6 定义优化算法1.7 训练2. 线性回归简洁实现2.1 生成数据集2.2 读取数据集2.3 定义模型2.4 初始化模型参数2.5 定义损失函数2.6 定义优化算法2.7 训练1. 线性回归从零开始实现1.1 生成数据集我们根据带有噪声的线性模型构造一个人造数据集，我们将使用有限的数据集来恢复这个模型的参数。在下面代码中，我们生成一个包含1000个样本的数据集，每个样本包含
2021-09-27 21:48:43
2123
2
原创 动手学深度学习专题笔记--线性回归概述
线性回归概述1. 回归（regression）回归是指一类为一个或多个自变量与因变量之间关系建模的方法，通常用来表示输入和输出之间的关系。在机器学习中大多数任务都与预测有关，当我们想预测一个数值时就会涉及到回归问题。2. 线性回归（linear regression）2.1 假设假设自变量x和因变量y之间的关系是线性的。任何噪声都比较正常，如噪声遵循正太分布。我们以一个实际例子对线性回归进行解释，我们希望根据房屋的面积（平方英尺）和房龄（年）来估算房屋价格（美元）2.2 线性模型线
2021-09-20 00:32:50
171
原创 np.max(),np.min(),axis=0/1
np.max(),np.min()首先创建一个二维数组a=np.array([[378., 533.], [456., 420.], [593., 461.], [529., 584.]])不加其他参数,会返回数组中所有数据中的最大值或最小值。np.min(a)[output]:378.np.max(a)[output]:593.加入axis参数，当axis=0时会分别取每一列的最大值或最小值，axis=1时，会
2021-03-15 10:12:09
4060
2
原创 基于opencv-python的相机标定
利用aruco进行动态检测时，需要先矫正摄像机带来的图形畸变。为了找到这些纠正参数,我们必须要提供一些包含明显图案模式的样本图片(比如说棋盘)。我们可以在上面找到一些特殊点(如棋盘的四个角点)。我们找到这些特殊点在图片中的位置以及它们的真实位置。有了这些信息,我们就可以使用数学方法求解畸变系数
2021-03-13 21:09:50
1096
1
原创 pyqt5 基础知识总结
1.pyqt 窗口基本打开实现# 导入PYQT 最常用的三个模块from PyQt5.Qtwidgets import *from PyQt5.QtCore import *from PyQt5.QtGui import *import sys# 创建应用程序app = QApplication(sys.argv)# 创建窗口window = QWidget()# 显示窗口window.show()# 等待窗口停止sys.exit(app.exec())2.pyqt 常用函数
2021-02-03 09:49:49
2113
2
YOLOv1论文原文、YOLOv1推测过程详细PPT以及论文精度标注
2022-05-03
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人